面向联邦式边缘学习的高效通信技术

一、项目描述

将人工智能从云端推向网络边缘以实现泛在边缘智能是未来6G通信的一个重要愿景。联邦式边缘学习通过将训练任务本地化再将本地模型在边缘云中聚合，能在保护数据隐私的同时充分利用分布式的数据进行模型训练，因此被寄望为实现边缘智能的关键技术。

二、主要痛点

随着智能终端的爆炸式增长，联邦式边缘学习面临着制约其大规模扩展的通信时延瓶颈:为了对全局模型进行更新，密集用户的高维度本地模型上传会对空中接口带来极大的负担并导致严重的接入延迟。

三、解决方案

为了突破通信瓶颈，提升联邦式边缘学习的可扩展性，本项目拟提出一种以通信计算一体化为特征的空口解决方案。该方案利用无线多址信道的波形叠加特性将通信与计算有机地在空中结合，以期突破现有的通信-计算分离设计框架的局限性，大大提高频谱利用率并解决大规模联邦式边缘学习的通信瓶颈。

四、主要贡献/价值

本项目拟建立一套面向联邦式边缘学习的高效通信系统设计及性能分析优化框架，以此引领通信计算一体化的新型边缘智能网络设计范式。

五、下一步计划

聚焦大规模联邦式边缘学习的通信瓶颈问题，本项目下一步将按计划对以下三个主要内容进行研究：

（1）基于通信计算一体化的系统设计；

（2）端到端边缘学习性能分析；

（3）面向边缘学习网络的无线资源适配；

并最终提出低接入延时的可扩展高效通信解决方案。

六、合作伙伴

无。

七、团队成员

朱光旭。